MongoDB liefert Funktionen, um die Lücke zwischen KI-Leistung und Compliance-Richtlinien zu schließen. Neue Retrieval-Funktionen für On-Premises-, Private-Cloud- und Hybrid-Umgebungen…
Hintergrund
Bisher scheiterten viele KI-Initiativen kurz vor dem produktiven Einsatz an einem relativ unzuverlässigen Daten-Retrieval sowie an Infrastrukturen, die den steigenden Compliance-Anforderungen nicht gerecht werden.
MongoDB, Inc. hat auf seiner Konferenz MongoDB.local in Bengaluru am 7. Juli 2026 jetzt eine Reihe neue Funktionen vorgestellt. Diese adressieren leistungsfähige Retrieval-Funktionen für On-Premises-, Private-Cloud- und Hybrid-Umgebungen. Ziel ist es laut Entwickler "für Unternehmen Lösungen anzubieten, um hochpräzise und Compliance-konforme KI-Anwendungen entwickeln zu können, die umgebungsunabhängig einsatzbereit sind.“ Das neue Modell voyage-context-4 bietet dazu ein direktes Upgrade für bestehende RAG-Pipelines (Retrieval-Augmented Generation).
Ankündigungsübersicht
MongoDB integriert dazu nach vorliegenden Angaben ein präzises Retrieval direkt in die Datenbank; auch wird eine KI-fähige Suche für On-Premises-, Private-Cloud- und Hybrid-Umgebungen verfügbar gemacht. Die neuen Funktionen sollen einen betriebsbereiten Retrieval-Stack ermöglichen, um sowohl Präzision, als auch Compliance mit hoher Flexibilität bei der Bereitstellung zu verbinden. Nachfolgenden die zentralen Neuerungen in der Übersicht (Quelle, Anbieter):
"voyage-context-4 (allgemein verfügbar): Kontextbasiertes Chunk-Embedding-Modell der nächsten Generation mit Kontext auf Dokumentebene und automatischer Chunk-Aufteilung.
Natives Reranking in MongoDB Atlas (öffentliche Preview): Reranking läuft jetzt nativ direkt in der Aggregation Pipeline, ohne externe APIs oder zusätzliche Roundtrips.
Hybride Suche (allgemein verfügbar): Bietet ein präziseres Retrieval durch die Kombination von präzisem Volltext- und vektorbasiertem semantischem Verständnis in einer einzigen Abfrage, direkt auf operativen Live-Daten.
Suche und Vektor-Suche für MongoDB Enterprise Advanced (allgemein verfügbar): Ermöglicht produktionsbereite KI hinter der Unternehmens-Firewall und unter Einhaltung strenger Compliance-Richtlinien, mit dem vollen Funktionsumfang von MongoDB Atlas.
Suche und Vektor-Suche in der MongoDB Community Edition (allgemein verfügbar): Volltext-, Vektor- und hybrides Retrieval für selbstverwaltete Umgebungen, ohne jegliche Einstiegskosten.
MongoDB Atlas Stream Processing: Apache Iceberg Support (allgemein verfügbar): MongoDB Atlas unterstützt jetzt Apache Iceberg über die neue $iceberg Aggregationsstufe in Atlas Stream Processing. Damit lässt sich jede Atlas-Collection kontinuierlich mit Iceberg-Tabellen im AWS-Objektspeicher synchronisieren.
Gen2 MongoDB Atlas M30+ spezialisierte Cluster auf AWS (allgemein verfügbar): Eine neue Generation der Infrastruktur für produktive Workloads mit hohen Skalierungsanforderungen.“
KI-Präzision beginnt beim Embedding-Modell
MongoDB stellt drei neue Funktionen vor, um präzises Retrieval direkt in die Datenbank zu bringen. Sie basieren auf den Voyage-AI-Modellen von MongoDB, die laut Anbieter die Embedding-Modelle von Gemini und Cohere im öffentlichen Retrieval Embedding Benchmark (RTEB) von Hugging Face übertreffen sollen.
- „Native Reranking in MongoDB Atlas verbessert die Retrieval-Qualität in der Datenbank um bis zu 30 %. Es baut direkt auf bestehenden Suchergebnissen auf, ohne dass externe APIs, Schlüssel oder zusätzliche Roundtrips verwaltet werden müssen.
- Voyage-context-4 ist ein Modell für kontextualisiertes Chunk-Embedding. Es wurde speziell für die Verarbeitung langer Dokumente in ihrem vollständigen Kontext entwickelt, anstatt sie in isolierte Chunks aufzuteilen. Indem es die semantische Bedeutung komplexer Unternehmensinhalte bewahrt, kann es für eine bessere Retrieval-Genauigkeit sorgen. Das Modell lässt sich ohne architektonische Änderungen in bestehende RAG-Pipelines (Retrieval-Augmented Generation) integrieren.
- Hybrid Search in MongoDB kombiniert Volltext- und Vektorsuche in einer Abfrage direkt in der operativen Datenbank. Da die Einbettungen automatisch aktuell gehalten werden, greifen KI-Agenten stets auf den echten, aktuellen Datenbestand zu, anstatt auf eine veraltete Kopie.“
Einhaltung von Compliance-Vorgaben und Leistungsfähigkeit
In der Vergangenheit wurden die leistungsfähigsten KI-Tools meist als Cloud-First-Lösungen entwickelt. Dies zwang Unternehmen in regulierten Branchen dann, sich zwischen Compliance oder Leistungsfähigkeit zu entscheiden. MongoDB hat nun Search und Vector Search als Add-on für MongoDB Enterprise Advanced eingeführt- als kommerzielle Version der MongoDB-Kerndatenbank.
Das Update liefert laut Anbieter nun dieselben Retrieval-Funktionen, die MongoDB-Atlas-Kunden bereits nutzen; außerdem sind Search und Vector Search jetzt allgemein für die MongoDB Community Edition verfügbar. Es stellt eine kostenlose Version der MongoDB-Kerndatenbank mit verfügbarem Quellcode dar, die es Entwicklern erlaubt, KI-Retrieval ohne zusätzliche Kosten lokal zu implementieren.
Abb.: Kontextbezogene Chunk-Einbettungen (Bildquelle: MongoDB).
Anmerkung: „Im Vergleich zur isolierten Einbettung von Chunks liefern kontextbezogene Chunk-Einbettungen laut MongoDB eine höhere Treffgenauigkeit. Zudem vermeiden sie die Latenz und die Kosten einer LLM-basierten Kontexterweiterung.“
Abb.: Matryoshka-Einbettungen und Speicherkosten (Bildquelle: MongoDB).
Anmerkung: Matryoshka Representation Learning (MRL) ist eine KI-Methode, bei der Vektor-Embeddings so trainiert werden, dass sie wichtige semantische Informationen ineinander verschachtelt abspeichern (inspiriert von den russischen Matroschka-Puppen). „voyage-context-4 unterstützt durch Matryoshka-Lernen 2048-, 1024-, 512- und 256-dimensionale Einbettungen, sodass Sie den für Ihre Anwendung geeigneten Kompromiss zwischen Qualität und Speicherbedarf wählen können.“ (Quelle: MongoDB Blogpost, June 29, 2026).)
Kommentarauszug Ben Cefalo, Chief Product Officer, Core Products bei MongoDB: „Der größte Stolperstein für den breiten, produktiven Einsatz von KI in Unternehmen ist nicht das LLM. Es sind Speicher, Retrieval, Genauigkeit und Compliance…“.
Kundenbeispiel Emergent Labs (Quelle, MongoDB):
Emergent Labs ist eine agentische Vibe-Coding-Plattform. Anfangs testete das Unternehmen seine Plattform mit PostgreSQL. Dabei fiel laut MongoDB auf, dass sich die KI-Agenten immer wieder in Schema-Migrationsschleifen verfingen, sobald Anwender ihre Ideen iterativ weiterentwickeln wollten. Zitat: "Durch die Migration zu MongoDB Atlas ermöglichte Emergent Labs seinen KI-Agenten, Datenstrukturen dynamisch zu erstellen und anzupassen, während sich die Anwendungen weiterentwickeln. Da Suche, Einbettungen und operative Daten in einer einzigen Datenbank konsolidiert sind, bleibt das Retrieval stets präzise und reagiert unmittelbar auf Echtzeit-Änderungen. Dank der Skalierbarkeit und Flexibilität von MongoDB Atlas wurden in den vier Monaten seit dem offiziellen Start bereits zwei Millionen Anwendungen in 180 Ländern auf der Plattform von Emergent Labs entwickelt.“
Querverweis
Unser Beitrag > Hochdimensionale Vektorsuche auf SSD-Basis anstelle von DRAM: KIOXIA AiSAQ mit NVIDIA Hopper GPUs
Unser Beitrag > Anthropic Mythos und Cybersicherheit: Erkennen und Beheben vorhandener Sicherheitslücken beschleunigen
Unser Blogpost mit Podcast > KI-Storage-Herausforderungen: Wie kann Speicherplatz im KV-Cache beim Einsatz großer Sprachmodelle und der Vektorsuche optimiert werden?